Identification des bases génétiques des maladies infectieuses par analyse de données de séquençage : application à l'infection par Mycobacterium tuberculosis et évaluation expérimentale des scores in silico de prédiction de l'impact des variants faux-sens chez l'humain

Résumé fourni par la source

Mon travail de thèse s'est articulé autour de deux axes principaux, ayant pour point commun l'analyse des données de séquençage et le défi que représente l'identification des variants causaux dans les maladies monogéniques et complexes. Premièrement, j'ai étudié les bases génétiques de la résistance à l'infection par Mycobacterium tuberculosis (Mtb). Pour ce faire, j'ai analysé les données de séquençage complet du génome de deux cohortes indépendantes issues d'Afrique du Sud et d'Haïti selon une approche fondée sur des variants candidats définis à partir de leur prédiction fonctionnelle et de leur association avec l'expression des gènes. Cela a permis d'identifier un variant associé à la résistance à l'infection par Mtb dans ces deux cohortes, dont nous avons confirmé l'effet sur la traduction du gène YEATS4 in vitro. Deuxièmement, j'ai réalisé une étude comparative de 11 outils de prédiction in silico de sévérité des variants faux-sens perte ou gain de fonction en utilisant une base de données de près de 5000 variants testés fonctionnellement dans 12 gènes. CADD v1.7 s'est révélé être le score le plus sensible, tandis que PolyPhen2 et AlphaMissense étaient les plus spécifiques, ce dernier offrant le meilleur compromis global. Ces résultats apportent des éléments utiles pour orienter le choix des outils selon les contextes d'application, qu'ils soient de recherche ou cliniques.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.